徐 翔，夏 敏

(同濟(jì)大學(xué) 藝術(shù)與傳媒學(xué)院,上海 201804)

作為互聯(lián)網(wǎng)社情民意的寫照，網(wǎng)絡(luò)信息表達(dá)反映了公眾的理性討論和情感訴求。自2016年“后真相”一詞入選《牛津詞典》年度詞匯，情感表達(dá)遂成為“后真相”時代媒介信息內(nèi)容的重要特征。在“后真相”時代強(qiáng)調(diào)訴諸情感、抑制“真相”的傳播理路下，真相和事實如何被情感抑制，意見傳播和“意見氣候”被什么樣的情感放大、塑造或?qū)?，是有待挖掘的實證性問題，而不僅僅是對情感可能在抑制真相這一現(xiàn)象表達(dá)某種簡單的憂慮。喻國明曾指出，“中國網(wǎng)民易情緒化主要源于網(wǎng)絡(luò)意見領(lǐng)袖的易情緒化”[1]。在此背景下，社交網(wǎng)絡(luò)中具有一定話語影響力的意見領(lǐng)袖，表達(dá)中除了在內(nèi)容上引導(dǎo)受眾的認(rèn)知外，是否也存在特定的“情感偏向”，從而影響輿論環(huán)境、媒介“情感氣候”和“傳播的偏向呢”？

就意見領(lǐng)袖的情感畫像而言，微博高影響力用戶是需要“為賦新詞強(qiáng)說愁”亦或容易“憤怒出詩人”“漫卷詩書喜欲狂”？這些不同類型意見領(lǐng)袖的形成和分布，是隨機(jī)和散亂的偶然現(xiàn)象呢？還是潛藏著某種媒介規(guī)律的必然現(xiàn)象？正如《傳播的偏向》一書認(rèn)為，媒介有其時間或空間的偏向性，那么媒介中的意見領(lǐng)袖有無情感的偏向性呢？簡言之，微博意見領(lǐng)袖在其所處的特定媒介中，是否只傳導(dǎo)特定種類的情感(或“非情感”)，而對其他類的情感傳導(dǎo)則采取抑制手段？

從現(xiàn)實情境而言，雖然“后真相”催生著情感化的傳播，但下述問題應(yīng)明確：其一，“后真相”作為一個理論概念，是否能提煉微博內(nèi)容、微博用戶的情感化傳播邏輯，并在實證上予以支撐；其二，即使微博中存在情感化的傳播現(xiàn)象，是否等同于應(yīng)然和必然地情感化；其三，對于“意見領(lǐng)袖”而言，如果他們重視意見的傳播、認(rèn)知的傳達(dá)，那么他們和“情感領(lǐng)袖”之間又是怎樣的關(guān)系；其四，社交媒體是催生各種情感類型的意見領(lǐng)袖，還是只生長特定類型和偏向的意見領(lǐng)袖？

本研究聚焦于微博意見領(lǐng)袖的信息表達(dá)，明確意見領(lǐng)袖作為“情感領(lǐng)袖”的理論內(nèi)涵與分析架構(gòu)，并實證檢驗、分析微博意見領(lǐng)袖的情感偏向和情感特征：微博意見領(lǐng)袖的判斷、認(rèn)知和態(tài)度等在信息傳播過程中是否存在情感化偏向？如果有，情感類型的分布具有怎樣的偏好與結(jié)構(gòu)？從“情感領(lǐng)袖”的理論概念來看，它關(guān)切的不是意見領(lǐng)袖傳遞的內(nèi)容及效果，而是以什么樣的情感形式進(jìn)行表達(dá)和傳遞。

一、研究回顧與問題分析

拉扎斯菲爾德在提出“意見領(lǐng)袖”這一概念時指出，意見領(lǐng)袖的影響力是非正式的，其形成于日常的社會互動之中，并在信息傳播及受眾的信息反饋中確立。圍繞意見領(lǐng)袖的相關(guān)研究顯示，話語權(quán)利、輿論引導(dǎo)力及在群體傳播中的作用機(jī)制等內(nèi)容是關(guān)注的焦點。此外，因互聯(lián)網(wǎng)環(huán)境下的信息表達(dá)和情感傳播密不可分，故很多研究成果也關(guān)注到了網(wǎng)絡(luò)意見領(lǐng)袖的情感化表達(dá)。研究者們認(rèn)為，相比理智內(nèi)斂的情感，網(wǎng)絡(luò)意見領(lǐng)袖往往具有感性且強(qiáng)烈的情感傾向，情感表達(dá)鮮明的用戶也更容易被認(rèn)為是意見領(lǐng)袖。蔡騏等[2]指出，感性的情感宣泄已成為當(dāng)下網(wǎng)絡(luò)意見領(lǐng)袖話語表達(dá)的一大趨勢，隨著網(wǎng)絡(luò)意見領(lǐng)袖跨界言說的泛化，專業(yè)性的缺失只能通過情感力量的跟進(jìn)加以掩飾和彌補(bǔ)。郭小安[3]指出，相較于西方社會“依法抗?fàn)帯薄耙览砜範(fàn)帯?，中國的社會網(wǎng)絡(luò)抗?fàn)幫ǔ１憩F(xiàn)為“依勢抗?fàn)帯保瑩Q句話說，誰能在網(wǎng)絡(luò)上制造出情感爆點，誰就獲得了話語的主導(dǎo)權(quán)。王志英等[4]在研究信息安全突發(fā)事件時提出了情感領(lǐng)袖的群際效應(yīng)，認(rèn)為網(wǎng)絡(luò)中存在以情感為主要導(dǎo)向的關(guān)鍵用戶，他們情感表達(dá)強(qiáng)烈，具有影響臨近節(jié)點情感表達(dá)和傳播趨勢的能力，情感領(lǐng)袖集群是集群情感產(chǎn)生的重要來源。吳江等[5]發(fā)現(xiàn)在醫(yī)療輿情事件熱議期, 情緒激進(jìn)、傾向于感性的情感宣泄的無認(rèn)證用戶更容易成為意見領(lǐng)袖。以上研究雖然表明了網(wǎng)絡(luò)意見領(lǐng)袖易于情感化的趨向，但沒有重視意見領(lǐng)袖作為情緒設(shè)置者的情感特征和作用，“情感領(lǐng)袖”現(xiàn)象有待學(xué)者們的進(jìn)一步關(guān)注和深入探討。

有學(xué)者提出“情緒設(shè)置”效果論，強(qiáng)調(diào)媒介傳播不僅如“議程設(shè)置”理論所述能在一定程度上決定人們想什么，也能影響人們以怎樣的情緒想、以怎樣的情緒說[6]。作為社交網(wǎng)絡(luò)的關(guān)鍵用戶，意見領(lǐng)袖的情感影響力呈現(xiàn)出“情緒設(shè)置”的效果。高萍等[7]研究發(fā)現(xiàn)，在中美貿(mào)易摩擦期間，《人民日報》借助“中央廚房”全媒體中心，通過“報網(wǎng)端微”一體化平臺，采用營造情緒環(huán)境、多角度敘述達(dá)到情緒感染、及時提供情緒發(fā)泄渠道、引導(dǎo)正向情緒極化等手段，對公眾進(jìn)行情緒引導(dǎo)，實現(xiàn)議程設(shè)置到情緒設(shè)置的變化。王朝陽等[8]在研究梨視頻社會板塊的短視頻傳播時發(fā)現(xiàn)，新聞短視頻生產(chǎn)者傾向于負(fù)面情緒的設(shè)置，這種偏好易導(dǎo)致傳播過程正面情緒向負(fù)面情緒、中性情緒向正面或負(fù)面情緒的異化。白淑英等[9]提出在微博公共事件中，情感動員者通常采用悲情、同情、戲謔等情感表達(dá)引發(fā)大量關(guān)注，達(dá)到社會動員和引導(dǎo)輿論的目的。概言之，社交媒體中關(guān)鍵用戶的情感力量在網(wǎng)絡(luò)輿情演化中發(fā)揮著重要的引導(dǎo)作用，情感作為一個關(guān)鍵因素，得以在表達(dá)和傳播中擴(kuò)散甚至重構(gòu)。值得注意的是，并不是所有類型的情感都會讓意見領(lǐng)袖進(jìn)行有效表征，或是成為意見領(lǐng)袖和社會媒介環(huán)境的有效表征。那么，這些意見領(lǐng)袖是如何傳導(dǎo)特定情感“偏向”的呢？

以新浪微博為考察對象的研究中，有學(xué)者將用戶的情感傾向納入對微博意見領(lǐng)袖及其影響力的調(diào)察中。劉叢等[10]認(rèn)為，微博黃V用戶在某些公共事件中傾向于通過個人影響力來表達(dá)不滿和伸張正義，常使用“質(zhì)疑”來表達(dá)情緒；同時他們對微博情緒強(qiáng)度進(jìn)一步研究后發(fā)現(xiàn)，影響力高的用戶微博情緒越強(qiáng)烈，微博被轉(zhuǎn)發(fā)和評論的數(shù)量也越高。周楊等[11]在對微博用戶公共情緒偏好的研究中發(fā)現(xiàn)，用戶整體的負(fù)面情緒程度比較大，其中信息獲取型用戶的情緒偏好呈多樣性，活躍型用戶中度負(fù)面情緒占比較高，而名人型用戶作為意見領(lǐng)袖的發(fā)源地，其輕度負(fù)面情緒占比過半。何躍等[12]發(fā)現(xiàn)在微博“非法疫苗”事件中，微博總體用戶的情感以消極為主，其中新聞媒體類和政府類意見領(lǐng)袖網(wǎng)的情感以中性為主，明星與大V類、企業(yè)與企業(yè)家類和普通網(wǎng)民類意見領(lǐng)袖網(wǎng)的情感則以消極為主。何躍等進(jìn)一步從“傳者-受者”之間的情感關(guān)聯(lián)得出，意見領(lǐng)袖網(wǎng)的情感會對普通用戶產(chǎn)生影響，點度中心度較大、網(wǎng)絡(luò)凝聚力較大的意見領(lǐng)袖網(wǎng)對普通用戶的消極情感影響最大?？傊?，前述研究認(rèn)為，有無情感、有什么樣的情感在微博意見領(lǐng)袖信息表達(dá)中的傳播和分布，是具有差異性和負(fù)面偏向性的，這也是本文關(guān)注意見領(lǐng)袖情感特征的研究基礎(chǔ)。用戶雖然注重情感爆點和感性宣泄，但是不同情感對于用戶意見領(lǐng)袖的程度、效果是有差別和“偏向”的，這一點還有待后續(xù)詳實的實證分析。

對包括微博在內(nèi)的網(wǎng)絡(luò)社會情感的類型劃分上，學(xué)者們建立了多元分類體系。如Bollen等[13]對2008年8月1日到12月20日期間Twitter中每天不同情緒的變化量進(jìn)行了分析，對“情緒狀態(tài)量表”(POMS)擴(kuò)展后，提取了緊張、沮喪、憤怒、活力、疲勞、困擾等六類情緒。王朝陽等[8]結(jié)合情緒分類七分法、普拉特切克情緒分類法以及Izard提出的差異情緒量表(DES)，將短視頻內(nèi)容情緒分為正面、中性、負(fù)面三個大類，其中正面情緒為感動、贊揚(yáng)、搞笑、快樂、新奇，負(fù)面情緒為憤怒、悲傷、震驚、無奈，中性情緒為中立。Duan等[14]對網(wǎng)絡(luò)新聞評論進(jìn)行了樂觀、悲傷、憤怒、驚訝四元情感分類。李勇等[15]針對“成都女司機(jī)被打”事件，將微博用戶情感分為愉快、驚奇、悲傷、憤怒、厭惡和懼怕六類。周楊等[11]依據(jù)負(fù)面程度強(qiáng)弱把微博用戶公共情緒分為重度負(fù)面情緒、中度負(fù)面情緒、輕度負(fù)面情緒和正面情緒，并在此基礎(chǔ)上，進(jìn)一步將重度負(fù)面情緒分為憤怒和譴責(zé)，中度負(fù)面情緒分為悲哀和害怕，輕度負(fù)面情緒分為嘲諷和理性，正面情緒則用樂觀替代。樊博等[16]根據(jù)微博基本社會情緒測量詞庫，歸納了霧霾影響下的五種基本社會情緒，即快樂、悲傷、厭惡、憤怒和恐懼。2013年召開的CCF第二屆自然語言處理與中文計算會議將中文微博情緒劃分為喜好、高興、悲傷、厭惡、憤怒、恐懼、驚訝等七類?？傮w來說，上述研究對不同類型的網(wǎng)絡(luò)內(nèi)容、微博事件情境中的情感進(jìn)行了區(qū)分，但分類略顯粗糙，沒有在更為細(xì)化的情感粒度分類框架內(nèi)還原對大眾細(xì)微情感變化的描述。

總體看來，情感作為微博意見領(lǐng)袖的一個獨立特征，雖然逐漸被提及，但“情感領(lǐng)袖”的理論架構(gòu)和實證分析遠(yuǎn)未受到充分重視。在已有研究中，網(wǎng)絡(luò)意見領(lǐng)袖的情感偏向問題既未被充分比較，也未被放置在同一框架內(nèi)進(jìn)行審視，故有必要進(jìn)一步考察細(xì)化類型上的差異，以及在有限的情感偏向條件下對于情感領(lǐng)袖的用戶畫像及用戶類型的演變分析。總之，目前對微博“情感領(lǐng)袖”及其特征的考察，明確的理論內(nèi)涵剖析不足，且缺乏規(guī)模以上樣本的定量研究和實證檢驗。

媒介內(nèi)容的情感化不等同于用戶的情感化，更不等同于意見領(lǐng)袖的情感化；意見領(lǐng)袖呈現(xiàn)出的“情感化”，也不等同于其由此而獲得設(shè)置情緒議程的功能，更不等同于其必須且客觀上會成為情感領(lǐng)袖。后真相傳播語境中的情感受到高度重視，但不等于說所有類型的情感都有助于用戶影響力的提升。為此，本研究在傳播學(xué)范疇內(nèi)首先明確“情感領(lǐng)袖”這一理論向度的重要性，描繪微博意見領(lǐng)袖的情感畫像及路徑，其次探討微博意見領(lǐng)袖的地位、程度與情感類型、結(jié)構(gòu)、分布特征之間的勾連。

二、研究目標(biāo)與方法

選擇新浪微博作為樣本，緣于其是我國重要且典型的網(wǎng)絡(luò)社交平臺和輿情發(fā)酵池。相關(guān)統(tǒng)計數(shù)據(jù)顯示，截至2021年6月底，新浪微博月活躍用戶達(dá)到5.66億，同比凈增4 300萬用戶，其中移動端占比94%；日活躍用戶達(dá)2.46億，同比凈增1 600萬，創(chuàng)4個季度新高[17]。新浪微博用戶中既有各類“大V”，也有形形色色的“草根”，對其意見領(lǐng)袖的分析具有較強(qiáng)的代表性和普適性；新浪微博板塊設(shè)置有財經(jīng)、體育、軍事、科技、娛樂、社會等欄目，內(nèi)容豐富。

(一)核心概念與測量指標(biāo)界定

1.微博“意見領(lǐng)袖”的界定與測度

微博意見領(lǐng)袖的概念是基于拉扎斯菲爾德所提出的“意見領(lǐng)袖”，特指在人際傳播網(wǎng)絡(luò)中經(jīng)常為他人提供信息、意見、評論，并對他人施加影響的“活躍分子”[18]。在微博傳播場域中，微博意見領(lǐng)袖表現(xiàn)出泛眾化、圈群化、顯性化的傳播特征[19]，不僅能影響大眾的觀念形成和網(wǎng)民情感的演變[20]，還能成為影響網(wǎng)絡(luò)輿論的核心力量[21]，因而比傳統(tǒng)意見領(lǐng)袖更具影響力和引導(dǎo)力。

學(xué)界對微博意見領(lǐng)袖界定方式之一是劃定影響力“臨界值”，對用戶做“是/不是”意見領(lǐng)袖的定類區(qū)分，將是/否高于臨界值視為判定標(biāo)準(zhǔn)，該界定方式在已有研究中有采用，如劉志明等[22]從用戶影響力和活躍度兩個維度確立微博用戶的領(lǐng)袖值，并取每個主題領(lǐng)袖值排名前0.1%的用戶作為該主題的意見領(lǐng)袖。王平等[23]結(jié)合微博粉絲數(shù)及帖子認(rèn)同值，將“溫州動車事故”這一事件中微博轉(zhuǎn)發(fā)量大于2 000次、評論數(shù)超過200條的微博用戶作為意見領(lǐng)袖進(jìn)行分析。雖然如此，但本研究如運(yùn)用該界定方式將面臨以下困難：(1)臨界值怎么劃分？(2)高于臨界值的用戶又存在影響力高低之分，而低于臨界值的也有此種情況，那么，較弱的和較強(qiáng)的意見領(lǐng)袖在情感特征上到底有何差異？取臨界值方法則容易忽略這些差別；同理，對于“非意見領(lǐng)袖”用戶，他們的影響力低到何種程度也是值得探討的問題，因此，考察其情感特征的連續(xù)性量化分布也是有意義的。

因此，本文結(jié)合自身的研究目的，最終選擇對意見領(lǐng)袖進(jìn)行程度上的連續(xù)性區(qū)分。該區(qū)分主要著眼于意見領(lǐng)袖的強(qiáng)弱程度，它可以是0(即完全無影響力，完全不是意見領(lǐng)袖)，也可以是大于0的連續(xù)性數(shù)值。將“大V”到“中V”再到“草根”等代表不同影響力程度的用戶均納入考察范圍，對各類情感的分布比例進(jìn)行縱向比較。

基于上述對微博意見領(lǐng)袖連續(xù)性影響力的劃分，本研究之所以使用“粉絲數(shù)”來衡量，在一些類似研究中也可追溯。李彪[24]曾指出，粉絲越多的微博ID，粉絲增長的速度越快，社會話語權(quán)也就越大，微博話語權(quán)力結(jié)構(gòu)的集權(quán)化和等級化趨勢將進(jìn)一步加劇。王平等[23]指出，當(dāng)粉絲數(shù)達(dá)到一定量級，成為微博意見領(lǐng)袖的可能性會隨著粉絲數(shù)的增加而增加。白貴等[25]通過實證研究表明，微博意見領(lǐng)袖粉絲數(shù)與微博影響力呈顯著性正相關(guān)?？傊m然研究者們對微博意見領(lǐng)袖沒有統(tǒng)一的識別指標(biāo)，但可以達(dá)成共識的是，粉絲量越多意味著意見領(lǐng)袖的影響力輻射范圍越廣。另外，由于本研究考察的是意見領(lǐng)袖的程度和情感分布程度間的線性相關(guān)性，粉絲數(shù)可以在較大程度上反映意見領(lǐng)袖的分量，故將粉絲數(shù)作為區(qū)分微博用戶意見領(lǐng)袖強(qiáng)弱程度的指標(biāo)不影響相關(guān)性的考察，且具有一定效度。

2.情感

人們常把短暫而強(qiáng)烈的具有情景性的感情反應(yīng)看作是情緒，如恐懼、憤怒、愉快等；而情感不只表達(dá)用戶的情緒，還基于情緒體驗形成穩(wěn)定持久的感情反應(yīng)，如喜歡、討厭等。微博用戶的情感特指公眾對某些話題或事物表現(xiàn)出的體驗或評價，它可以通過情感詞、標(biāo)點符號和冗長文等文本交流方式進(jìn)行表達(dá)和接受[26]，因此用戶發(fā)布的帖子可以視作其情感表達(dá)的載體。

Ekman[27]指出人類共通的六種基本情緒有快樂、悲傷、憤怒、厭惡、驚訝和恐懼。Plutchik[28]把人類情緒分為八種類型：恐懼、氣憤、歡樂、悲傷、接納、厭惡、期望和驚訝。徐琳宏等[29]在Ekman的六類情感分類體系基礎(chǔ)上構(gòu)建了樂、好、怒、哀、懼、惡、驚、無情感在內(nèi)的八個大類，并進(jìn)一步將其細(xì)分為二十三個小類。劉叢等[10]設(shè)計了認(rèn)可、恐懼、質(zhì)疑、擔(dān)憂、反對、憤怒、悲哀、驚奇及無明顯情緒等九類情緒量表。

帖子情感的識別和分類是本研究的關(guān)鍵步驟，通過對已有研究的綜合審視，再結(jié)合微博帖子的特點和研究訴求，最終使用了十八大類(包含三十八個具體的小微類)情感分類體系。對于占比過小或構(gòu)成較為復(fù)雜的情感要素，將其統(tǒng)歸為“其他”類，以保證研究結(jié)果的信度和效度。

具體劃分和采用的十八類情感如下：(1)怒：憤怒、不滿；(2)惡：憎惡、輕蔑、貶責(zé)、妒忌；(3)煩：煩悶；(4)懼：恐懼、驚駭、慌；(5)悲：悲傷、失望、遺憾；(6)哀：內(nèi)疚、無奈；(7)疑：疑惑、懷疑、質(zhì)疑；(8)思：思念；(9)安：安心；(10)認(rèn)可：尊敬、相信、接受；(11)驚：驚奇；(12)樂：輕松、快樂、驚喜、振奮、驕傲；(13)喜：喜愛、贊揚(yáng)；(14)盼：期望、羨慕；(15)憐：同情；(16)感動；(17)無情感；(18)其他：羞、悔。

需補(bǔ)充說明的是，就概念本身而言，情感和情緒雖存在一定差異，但也有混用的情況。K·T·斯托曼認(rèn)為：“在論述情緒的文獻(xiàn)中出現(xiàn)了大量的術(shù)語，它們沒有確切的定義，用法也不盡一致。例如，‘情緒’一詞就是一例。另外一些聯(lián)系密切但又表示得很不明確的詞有：‘情感’、‘感情’和‘情緒性’。這種不嚴(yán)謹(jǐn)?shù)默F(xiàn)象也表現(xiàn)在有關(guān)具體情緒的術(shù)語中，如嫉妒、懼怕、愛、憤怒，尤其是焦慮?！盵30]本研究對于情感和情緒的使用基于兩者的共性，即它們作為主體對于外界信息和刺激而產(chǎn)生的一種感情反應(yīng)，因此，借鑒和擴(kuò)展上述情感、情緒分類模型并無實際上的困難。另外，本研究使用的分類方法，既要對情感進(jìn)行簡單而略顯粗粒度的“積極/中性/消極”或“正/負(fù)”等極性劃分，又需識別出諸如怒、喜、懼、驚等具體的情感類型。

(二)研究問題與研究思路

基于文獻(xiàn)分析和對核心概念的界定，對微博意見領(lǐng)袖體現(xiàn)出的“情感化”偏向、情感類型偏向以及基于情感畫像的用戶類型偏向，特提出以下三個相關(guān)聯(lián)的問題：

Q1：微博意見領(lǐng)袖的“情感化”偏向：意見領(lǐng)袖程度越高，是否其“情感化”程度越高？“非情感化”程度越低？這種關(guān)聯(lián)的顯著性和程度有多強(qiáng)？

Q2：微博意見領(lǐng)袖的情感類型偏向：作為意見領(lǐng)袖程度越高的用戶，哪種類型的情感占比越大(或越小/變化不明顯)？這種變化的顯著性和關(guān)聯(lián)程度有多強(qiáng)？

Q3：微博意見領(lǐng)袖的用戶類型偏向：把微博用戶作為復(fù)雜、多樣的情感組合，根據(jù)不同的情感組合分別歸為特定“情感基因組”，對于這些特定的用戶類型而言，意見領(lǐng)袖程度越高，哪種類型的用戶占比越大(或越小/變化不明顯)？這種變化的顯著性和關(guān)聯(lián)度有多強(qiáng)？

在對上述問題進(jìn)行定量研究和實證檢驗前，需對其中的一些變量進(jìn)行操作性定義。首先，我們用“粉絲數(shù)”來表示微博用戶的地位和影響力社會層級。雖然不同用戶的影響力等級差異不能完全由粉絲數(shù)的多寡來衡量，但已有的微博意見領(lǐng)袖影響力研究表明，粉絲數(shù)越高，該用戶在微博中的關(guān)注度、影響度也越高。其次，用“微博中不同情感出現(xiàn)的比重”來表示某種情感被表達(dá)的程度，比重越高表明該情感被表達(dá)的程度也越高。最后，根據(jù)情感分布比例對所有用戶進(jìn)行聚類分析，得出不同類型用戶的情感特征。如果微博意見領(lǐng)袖所體現(xiàn)的上述特征成立，則意味著粉絲數(shù)越高的用戶，情感化比例將顯示出顯著增加趨勢，特定情感類型和特定用戶類型的占比將顯示出顯著增加或減少趨勢，表明粉絲數(shù)與這三者間存在統(tǒng)計學(xué)意義上的線性相關(guān)性。

綜合以上研究目標(biāo)，本文的研究思路如圖1所示。

三、研究設(shè)計與實施

首先，抓取新浪微博大量樣本帖及其微博所屬用戶資料等個人信息，并對其清洗和處理；其次，對帖子所屬內(nèi)容進(jìn)行情感類型的判定和分類；再次，計算各類情感比例，對用戶進(jìn)行聚類分析；最后，對每個用戶的特征及對應(yīng)情感分布進(jìn)行總結(jié)，通過SPSS驗證粉絲數(shù)變量與測量指標(biāo)間是否存在顯著關(guān)系，以考察意見領(lǐng)袖的情感特征。

圖1 研究思路示意圖

(一)數(shù)據(jù)采集與清洗

在數(shù)據(jù)抓取上，采用python編程語言從新浪微博各個板塊抓取數(shù)萬名用戶的賬號URL，對這些賬號的歷史發(fā)帖進(jìn)行采集，采集時間段為2019年10月至12月。抓取的其他字段還包括微博的URL鏈接網(wǎng)址、微博發(fā)布者的粉絲數(shù)和關(guān)注數(shù)、發(fā)微博總數(shù)、發(fā)布時間等，接著對抓取到的數(shù)據(jù)進(jìn)行必要的清洗與整理。為防止發(fā)微博數(shù)對某類情感的總體特征產(chǎn)生實質(zhì)性影響，每個用戶從所抓到的帖子中隨機(jī)抽取1 000條微博參與最終情感及其分布統(tǒng)計。在最終抓取到的42 887個微博用戶中，為確保意見領(lǐng)袖情感的相關(guān)檢驗具備有效性，特剔除粉絲數(shù)等個人信息缺失的樣本，最終剩余有效數(shù)據(jù)包括38 985個用戶及每個用戶發(fā)布的1 000條帖子。樣本用戶未做任何首尾最高或最低粉絲數(shù)等極端用戶的刪除篩選，以保持樣本的全面性。

38 985個微博用戶粉絲數(shù)分布情況如圖2所示(單位：萬人)。由圖2可知，他們分布較廣，遍及微博大V、中V和草根用戶，故能反映不同的意見領(lǐng)袖程度，具有一定代表性，因此可作為本研究的樣本用戶。

圖2 38 985個微博用戶的粉絲數(shù)分布情況

(二)情感分類

在情感類型判定上，本研究依據(jù)文字內(nèi)容進(jìn)行。由于樣本量達(dá)幾千萬條，人工分類不便，故使用python語言和scikit-learn模塊，采用線性支持向量機(jī)(support vector machine，SVM)結(jié)合人工樣本的機(jī)器學(xué)習(xí)方法。

基于SVM的情感分類，主要根據(jù)訓(xùn)練集數(shù)據(jù)，通過SVM算法將模型參數(shù)學(xué)習(xí)到最優(yōu)，然后利用訓(xùn)練好的模型對測試集的情感特征進(jìn)行預(yù)測。本研究通過整合基礎(chǔ)情感詞典，收集社交媒體中的標(biāo)題、評論等構(gòu)建情感詞匯本體，最終自行人工編碼和分類共44 432條帖子作為機(jī)器學(xué)習(xí)樣本。微博文本形式多元且變化不斷，雖然無法詳盡，但大多微博短文本可通過關(guān)鍵詞、關(guān)鍵符號及其組合進(jìn)行較為準(zhǔn)確的分類。本文人工構(gòu)建的訓(xùn)練樣本還針對社交媒體的語言特點，較為全面地囊括了微博文本所包含的語義信息，提高了結(jié)果的準(zhǔn)確性，并將誤差控制在可接受范圍。

具體判定過程如下：首先，采用Jieba分詞工具對文本進(jìn)行中文分析。其次，通過scikit-learn模塊構(gòu)建TF-IDF(詞頻-逆文檔頻率)矩陣，該矩陣兼顧了文本在某特征詞上的頻數(shù)，以及該特征詞在其他文本中的出現(xiàn)頻次。分析的特征詞對象包括1-gram詞和2-gram詞。最后，基于TF-IDF矩陣，采用SVM方法以人工標(biāo)注樣本作為機(jī)器學(xué)習(xí)樣本，對每條文本進(jìn)行情感類型判斷。其中最核心的SVM判別過程，基于scikit-learn的svm.LinearSVC模塊編寫代碼完成。

情感判定包括由課題組團(tuán)隊針對社交媒體用戶的文本特點、UGC偏重于日常語言和口語化的內(nèi)容風(fēng)格，自行人工編碼和分類的44 432條帖子樣本。通過對樣本進(jìn)行“五折法”的學(xué)習(xí)和判別，結(jié)果顯示：平均準(zhǔn)確率為0.816 4、平均精確率為0.971 7、平均召回率為0.826 4、平均F1值為0.884 7。由于本研究中的情感劃分粒度較細(xì)，高于常見的“正面-負(fù)面-中性”三分法，故加大了判定難度。在傳播學(xué)內(nèi)容分析研究中，一般認(rèn)為編碼員之間的信度至少應(yīng)該在0.70以上，才能保證結(jié)論的可信度[31]，總體而言，本文現(xiàn)有的分類誤差在通常可接受的范圍內(nèi)。

(三)測量指標(biāo)計算和處理

當(dāng)情感文本處理完畢后，應(yīng)對每個用戶1 000條微博中各類情感出現(xiàn)的頻次和比重進(jìn)行統(tǒng)計，基于每個用戶的情感分布結(jié)構(gòu)，通過k-means算法對其聚類。將獲取的初始質(zhì)心更迭次數(shù)(n_init)和最大迭代次數(shù)(max_iter)均設(shè)定為100次，依次進(jìn)行3～30種聚類類型試驗，主要參考輪廓系數(shù)(silhouette_score)(1)輪廓系數(shù)：定義為s=(b-a)/[max(a,b)]，其中a是樣本與它同類別中其他樣本的平均距離，b是樣本與它距離最近的不同類別中樣本的平均距離。對于一個樣本集合而言，它的輪廓系數(shù)是所有樣本輪廓系數(shù)的平均值。取值范圍[-1,1]，值越大，聚類效果越好。、簇內(nèi)誤差平方和(SSE)(2)簇內(nèi)誤差平方和：表示樣本到最近的聚類中心的距離總和，當(dāng)k-means算法訓(xùn)練完成后，可通過使用inertia屬性獲取簇內(nèi)的誤方差。、CH指標(biāo)(calinski-haraba index)(3)CH指標(biāo)：由各點與類中心的距離平方和與各類中心點與數(shù)據(jù)集中心點距離平方和的比值得到，值越大，聚類效果越好。等，評估結(jié)果詳見圖3所示。

結(jié)合誤差指標(biāo)和“肘方法”綜合來看，圖3顯示當(dāng)聚類數(shù)k為4時，輪廓系數(shù)最優(yōu)；曲線的下降幅度隨k值的增加出現(xiàn)了拐點，表明指標(biāo)綜合值最優(yōu)、聚類效果越好。因此，結(jié)合對意見領(lǐng)袖情感畫像的刻畫需求，最終將所有用戶自動聚為四類(見圖4)。

在SPSS數(shù)據(jù)分析中，將個體樣本轉(zhuǎn)換為層級樣本，目的是通過對意見領(lǐng)袖的“分層”減少噪音和隨機(jī)擾動，保留樣本差異性的同時提高分布規(guī)律的鮮明度。將粉絲數(shù)按大小劃分為人數(shù)等同的100層，并用層級數(shù)表示粉絲數(shù)原值，粉絲數(shù)越多，層級數(shù)越大，用戶級別也就越高。這種等頻“分箱化”操作法在數(shù)據(jù)預(yù)處理中是一種常用方法，每層人數(shù)等頻既有助于統(tǒng)一口徑和穩(wěn)定計算結(jié)果，又便于不同層級之間的比較。

四、實證檢驗與數(shù)據(jù)分析

將等頻切分后的100個層級的用戶樣本，按照前文所屬的情感分類體系把情感小類劃歸為怒、惡、煩、懼、悲、哀、疑、認(rèn)可、思、安、驚、樂、喜、盼、憐、感動、其他類以及無情感十八大類。通過SPSS分析其中各情感的比重、分布狀況以及與其他變量間的關(guān)聯(lián)度，以考察微博意見領(lǐng)袖具備哪些情感特征。

(一)微博意見領(lǐng)袖“情感化”偏向分析

由分布比例來看，經(jīng)由SPSS對所有情感大類的描述統(tǒng)計，在100個層級樣本中，無情感占比從8.5%到14.1%不等，平均值僅為10.5%，遠(yuǎn)小于其他十七種“情感化”類型的占比之和。也就是說，即便是最高層級的微博意見領(lǐng)袖，其情感分布中的特定情感被表達(dá)的程度也遠(yuǎn)大于完全理性中立的部分。

圖3 微博38 985個用戶情感分布的3～30種聚類結(jié)果評估

圖4 微博38 985個用戶聚為四類的結(jié)果分布

對粉絲數(shù)層級和無情感占比進(jìn)行Spearman相關(guān)系數(shù)及顯著性檢驗，結(jié)果顯示，無情感比例與粉絲數(shù)層級的Spearman相關(guān)系數(shù)為-0.476，p值為0.000，呈現(xiàn)顯著的負(fù)相關(guān)性。這表明粉絲數(shù)越多的用戶，其無情感內(nèi)容顯著減少。也就是說，粉絲數(shù)越多的用戶，“非情感化”的程度顯著降低，“情感化”的程度顯著增強(qiáng)。微博意見領(lǐng)袖不一定是客觀理性和事實傳達(dá)的“意見中介”，而是鮮明地表現(xiàn)出不斷加強(qiáng)傳達(dá)感性的“情感介質(zhì)”。

(二)微博意見領(lǐng)袖情感類型偏向分析

由各情感數(shù)據(jù)點的分布可知，隨著粉絲數(shù)層級的增加，怒、惡、煩、懼、悲、哀、疑、認(rèn)可等情感的比例呈現(xiàn)增加趨勢，樂、喜、盼等情感的比例呈現(xiàn)減少趨勢，兩者間均存在較為明顯的線性關(guān)系。在具體的相關(guān)性檢驗中，Spearman相關(guān)系數(shù)及其顯著性結(jié)果如表1所示。

表1 粉絲數(shù)層級與該用戶十七種情感大類分布 比例的相關(guān)性分析結(jié)果

表1顯示，怒、惡、煩、懼、悲、哀、疑、認(rèn)可、思、安、驚、憐、感動這十三種情感的比例和粉絲數(shù)層級均在0.01水平(雙尾)上具有顯著的正相關(guān)性，其他情感比例與粉絲數(shù)層級之間也呈現(xiàn)正相關(guān)，p值為0.03。這表明粉絲數(shù)越多的用戶，這些情感類別的比例也越高。在所有的情感大類中，怒、惡、煩、懼、悲、哀和疑七種消極情感的比重均在增加，說明意見領(lǐng)袖地位越高，對消極情感的表達(dá)程度也越高，也即這種負(fù)面情感化的情感偏好在意見領(lǐng)袖群體中比較凸顯。而樂、喜、盼三種積極情感所占比重與粉絲數(shù)層級均在0.01水平(雙尾)上具有顯著的負(fù)相關(guān)性。Spearman相關(guān)系數(shù)分別為-0.307、-0.682和-0.842，說明隨著用戶粉絲數(shù)的增加，正面情感呈現(xiàn)明顯減少趨勢。由此可知，微博意見領(lǐng)袖的情感化表達(dá)并非平穩(wěn)均勻地分布在這十七大類情感中，而是在特定情感上有顯著的偏向和差異。

(三)微博意見領(lǐng)袖用戶類型偏向分析

考慮到某些情感在帖子中本身就是占比很高的情感類型，這種絕對分布比例不能完全體現(xiàn)用戶的情感特征和不同用戶類型之間的差異，故我們將四類用戶在各情感大類上平均分布的絕對比例轉(zhuǎn)換為相對比例。為方便描述，設(shè)Xij是第i種用戶類型中第j種情感的帖子所占比例，Xj是第j種情感的帖子在全部帖子中所占的比例，那么，第i種用戶類型中第j種情感的帖子所占相對比例則為：Yij=Xij-Xj。例如對于B類用戶而言，其“惡”的帖子所占的比例原始值為8.5%，看起來很高，實際上，由于所有用戶的“惡”帖子占比均為13.5%，相對而言，B類用戶的“惡”屬于偏低型，比值為-5%。這說明相對比例可以較客觀反映用戶的情感偏向，轉(zhuǎn)化后的相對比例結(jié)果見表2所示。

表2 四類用戶的情感相對分布比例(4)每一行相對比例之和均為0。因?qū)嶋H計算中會采用四舍五入法，導(dǎo)致行之和不為0的情況出現(xiàn)，該種情況不影響本文的最終分析結(jié)果。

過濾掉各情感絕對分布的影響后，相對比例結(jié)果顯示：A類用戶各情感分布比例差異小且均勻，沒有出現(xiàn)特別突出的某種情感的增或減的情況；B類用戶“喜”(18.0%)的相對比例最高，且與“惡”(-5.0%)等消極情感分布比例的差距較大；C類用戶相對比例最高的是無情感(13.7%)，且與喜(-8.4%)、惡(-2.3%)等極性鮮明的情感類型表現(xiàn)出較大的分布差距；D類用戶“惡”(7.4%)的相對比例最高，與“喜”(-11.7%)等積極情感分布比例的差距較大。可見，B、C、D幾類用戶分別以喜、無情感和惡作為主要的情感代表。將這四種情感特征看作用戶“情感基因組”的“質(zhì)心”向量，進(jìn)而可將這四類人概括為平均型、喜聞樂見型、佛系無情感型和怒懟型。他們的情感分布畫像如圖5所示。

需補(bǔ)充說明的是，本研究之所以選擇聚為四類，除上述量化的誤差分析之外，也是因為在按前述步驟嘗試較多的聚類數(shù)后，用戶的“情感基因”類型顯現(xiàn)出重復(fù)、交叉等現(xiàn)象，如強(qiáng)怒懟型和弱怒懟型的共存，強(qiáng)喜聞樂見型和弱喜聞樂見型的并現(xiàn)，最終通過人工定性比較，得出不同情感組合的特定“情感基因組”的用戶類型最為核心精簡的即上述四類，這與聚類的輪廓系數(shù)、CH指標(biāo)等也是吻合的。

圖5 聚類后的四類用戶的情感分布畫像

在SPSS分析中，根據(jù)上述四類用戶分布情況，生成粉絲數(shù)層級和用戶比例間的交叉表。限于版面，本文僅羅列級別最低的10層和級別最高的10層，結(jié)果如表3所示。表3中，每一行代表該層級中四類用戶所占比例，每一列代表該類用戶在100層級上的分布比例。另外，每一行的百分比之和為1，如有不為1的，緣于四舍五入帶來的偏差，可忽略不計。

表3 四類用戶在不同層級上的分布比例(前10層和后10層)

對用戶根據(jù)粉絲量劃分的層級及層級中各類用戶比例進(jìn)行Spearman相關(guān)系數(shù)及顯著性檢驗，檢驗結(jié)果見表4所示。

表4 粉絲數(shù)層級與四類用戶在該層級上 分布比例的相關(guān)性分析結(jié)果

由表4可知，粉絲數(shù)層級與四類用戶在該層級上的分布比例均在0.01水平(雙尾)上存在顯著的相關(guān)性，其中，D類的分布比例與粉絲數(shù)層級呈正相關(guān)性，其余三類均為負(fù)相關(guān)性。這表明隨著微博意見領(lǐng)袖影響力層級的提升，怒懟型用戶的比例顯著增加，而平均型、喜聞樂見型和佛系無情感型則顯著減少，說明意見領(lǐng)袖在情感畫像上偏向于特定的用戶類型。

綜合表3和表4可知：(1)從絕對數(shù)量來看，特點不突出的平均型(A類)占比最大，他們是微博中的“蕓蕓眾生”，在低粉絲量用戶中最普遍；(2)以表達(dá)“喜”為特點的B類用戶，在低粉絲量用戶中占三成以上，但在高粉絲量的用戶中迅速減少；(3)以“無情感”為特點的“佛系”用戶(C類)占比較低，他們是微博中具有鮮明特色的一類用戶，在不同粉絲數(shù)層級上的分布比例波動不大，與用戶的粉絲量層級的增長呈弱負(fù)相關(guān)性；(4)以“惡”為主要特點的“怒懟型”用戶(D類)，在低粉絲量用戶中占比不高，但在中、高粉絲量用戶中增長顯著，有三成多，體現(xiàn)了微博意見領(lǐng)袖的“怒懟型”發(fā)展偏向。這也表明，微博負(fù)面意見氣候、負(fù)面情感氣候的形成，只與少部分中、高“意見領(lǐng)袖”的突出偏向有關(guān)。

五、結(jié) 語

基于對38 985個微博樣本的考察和實證分析表明，意見領(lǐng)袖的話語地位和影響力的高低，與其情感分布特征存在顯著的關(guān)聯(lián)性。一是微博意見領(lǐng)袖具有“情感化”偏向：粉絲數(shù)越多的用戶，非情感化、無情感的內(nèi)容顯著減少；意見領(lǐng)袖不是冷靜、客觀、無情感的“信息中介”，而是后真相語境中的社會情感“策動源”。二是微博意見領(lǐng)袖存在特定的情感類型偏向，并非所有情感的加強(qiáng)都與意見領(lǐng)袖地位提升有關(guān)，它只偏倚于少數(shù)類型的情感。三是微博意見領(lǐng)袖存在特定的用戶類型偏向，隨著用戶影響力層級提高，怒懟型用戶顯著增加，而平均型、喜聞樂見型、佛系無情感型用戶顯著減少。

在基于微博樣本的考察中，意見領(lǐng)袖的情感特征得到了檢驗，“情感領(lǐng)袖”的理論向度得到實證支持，對傳播學(xué)理論和實踐具有一定啟發(fā)意義。

其一，“意見領(lǐng)袖”和“情感領(lǐng)袖”具有一致性?！扒楦蓄I(lǐng)袖”的提出，不只強(qiáng)調(diào)內(nèi)容導(dǎo)向下意見領(lǐng)袖的影響力，還側(cè)重其在情感甚至特定類型情感導(dǎo)向下的影響力。情感導(dǎo)向?qū)σ庖婎I(lǐng)袖的考察逐漸從認(rèn)知轉(zhuǎn)向情感。意見領(lǐng)袖和情感領(lǐng)袖可以統(tǒng)一，而且在事實上也是統(tǒng)一的。情感領(lǐng)袖現(xiàn)象的出現(xiàn)意味著網(wǎng)絡(luò)社會中的情感是“分層分化”的，意見領(lǐng)袖影響力等級和地位影響著社會情感的擴(kuò)散和分布，不同社會話語層級的“情感偏向”也不同。對于如何成為高粉絲量的微博意見領(lǐng)袖而言，在“訴諸真相”還是“訴諸情感”的選擇中，不僅要高度重視“訴諸情感”，還只能訴諸部分特定類型的情感，否則會事倍功半或者適得其反。而對于主流媒體與官方部門而言，微博傳播必須培養(yǎng)和鍛造自己的“情感領(lǐng)袖”，而不僅僅是意見領(lǐng)袖。

其二，正視和警惕網(wǎng)絡(luò)社會尤其是社交媒體中的民意操控。情感領(lǐng)袖是能動者，因為他們在意見表達(dá)中不完全由事實或理性文化所主宰，而是對特定情感有側(cè)重和偏移；他們以強(qiáng)大的情感影響力加快了公眾討論中非理性因素的傳播和擴(kuò)散，使意見氣候也更多表現(xiàn)出某種情感特征。在后真相語境中，當(dāng)情感的膨脹遠(yuǎn)大于信息傳播的強(qiáng)度，就會阻礙公眾深入思考情感背后的客觀事實，造成受眾對真相的認(rèn)知偏差。而在這些特定情感類型主導(dǎo)下的網(wǎng)絡(luò)社會，容易生長出更多的意見領(lǐng)袖，造成網(wǎng)絡(luò)民意嚴(yán)重扭曲的后果。這既是值得正視和警惕的帶有必然性的現(xiàn)象，又是需要我們在剖析其情感偏向后應(yīng)及時采取相應(yīng)對策的媒介化社會問題。

其三，重視并探索網(wǎng)絡(luò)社會情感調(diào)控的實踐策略。當(dāng)前的網(wǎng)絡(luò)輿情中常充斥著各種情感化的因素，致使公眾的情感調(diào)控成為網(wǎng)絡(luò)管理的一大難題。為此，一方面，要避免微博乃至社交媒體中的“負(fù)面情感化”偏向問題，不應(yīng)單純?yōu)樵鰪?qiáng)社會情感中的積極面而成為“報喜不報憂”的“歡樂”博主，這違背微博內(nèi)容傳受規(guī)律，而應(yīng)用部分非負(fù)面情感如憐、哀、驚等代替怒、惡、疑等少數(shù)幾類最具社會沖擊力的情感，發(fā)揮“分流器”的作用。另一方面，盡管微博意見領(lǐng)袖以負(fù)面情感化為突出特征，但主流而積極的情感也是有其夾縫中的生存空間的，主流媒體和主流傳播應(yīng)加大積極“情感領(lǐng)袖”的培養(yǎng)力度，有效發(fā)揮社會輿情“有的放矢”的調(diào)節(jié)作用。

科塞的“社會安全閥”理論重點強(qiáng)調(diào)社會沖突作為“安全閥”機(jī)制為社會或群體成員提供排泄敵對意見的正當(dāng)渠道，從而維護(hù)社會系統(tǒng)的正常運(yùn)行[32]。對于社交媒體和意見領(lǐng)袖情感演變的內(nèi)在規(guī)律而言，可借鑒這一理論內(nèi)涵，延伸理解“社會情感緩沖帶”機(jī)制。對微博中最為負(fù)面、最容易傳導(dǎo)的高激發(fā)性情緒(如惡、怒)，將其以同樣易傳導(dǎo)、易發(fā)酵但弱負(fù)面、弱破壞力的負(fù)面情感(如煩)的方式表達(dá)出來。微博中一些典型的負(fù)面情感由于其在微博用戶中的“情感偏向”，科學(xué)的應(yīng)對方式不是壓制，而是將其進(jìn)行“緩沖”和有選擇性的媒介“情緒設(shè)置”。因為媒介或許不能決定人們怎么想，或許不能決定人們想什么，但在很大程度上可以影響人們以怎樣的情緒想[6]。特定情感類型的有意識選擇，有助于重塑意見氣候、情感氣候的“擬態(tài)環(huán)境”，減弱最具沖擊力的公共負(fù)面情感的“情緒設(shè)置”，增大微博等社交媒體中社會情感的和諧與穩(wěn)定因素。